2 Agustus 2026 · 9 menit baca · Panduan

Tombol AI Slop LinkedIn 2026: Arsipkan Laporan Pengguna

LinkedIn mulai menampilkan opsi laporan "Seems like AI slop" di sebelah kiriman panjang pada akhir Juli 2026, dan peluncuran ini adalah pertama kalinya jejaring profesional besar memberi pengguna biasa jalur satu-klik untuk menandai konten sebagai hasil AI. The Register meliput peluncuran pada 30 Juli 2026, dan sinyal awalnya adalah volume laporan pada kiriman panjang hampir tiga kali lipat dalam dua minggu setelah tombol diluncurkan. Bagi pengarsip, pemasar, dan peneliti yang memperlakukan LinkedIn sebagai sumber data, tombol ini menambah sinyal baru dari pengguna yang hidup berdampingan dengan pengklasifikasi otomatis platform dan kotak pengungkapan penulis sendiri. Ketiga sinyal itu tidak selalu saling sepakat, dan ketidaksepakatan itulah yang justru perlu ditangkap arsip Anda.

Panduan ini menjelaskan apa yang sebenarnya dipicu tombol AI slop di platform, mengapa jumlah laporan pengguna secara struktural berbeda dari label otomatis, dan bagaimana menangkap ketiga sinyal dalam satu rekaman Markdown dengan threadgrab agar enam bulan dari sekarang Anda masih bisa merekonstruksi kiriman mana yang dilaporkan, mana yang ditandai pengklasifikasi, dan mana yang penulis sendiri nyatakan dibantu AI.

Apa yang sebenarnya dilakukan tombol "Seems like AI slop"

Tombolnya kecil dan berada di menu overflow kiriman, tiga titik di sebelah kanan nama penulis. Mengetuknya membuka lembar yang bertuliskan "Seems like AI slop" dengan satu tombol konfirmasi. Tidak ada kolom teks bebas, tidak ada pemilih kategori, dan tidak ada jalur banding dari tombol itu sendiri. Tombolnya adalah suara biner: pengguna menganggap kiriman ini terdengar seperti teks hasil AI.

Apa yang terjadi setelah ketukan tidak terlihat oleh pengguna pelapor. LinkedIn menggabungkan laporan ke dalam antrean moderasi bersama skor pengklasifikasi otomatis, status kotak pengungkapan penulis, dan jangkauan historis kiriman. Satu laporan tidak pernah menghapus kiriman, tidak pernah memicu perubahan label, dan tidak pernah memberi notifikasi ke penulis. Laporan hanya penting setelah antrean melewati ambang batas, yang untuk kiriman AI slop di pertengahan 2026 berada di kisaran 8 sampai 12 laporan per 1.000 tayangan. Di bawah ambang itu, laporan dicatat dan dilupakan.

Model penggabungan ini secara mendasar berbeda dari pengklasifikasi otomatis. Pengklasifikasi memberi skor pada setiap kiriman dengan skala 0 sampai 1 dan menampilkan label berdasarkan ambang tetap. Tombolnya adalah suara yang hanya penting secara agregat. Memperlakukan keduanya sebagai sinyal yang sama menghilangkan data paling berguna di arsip Anda.

Mengapa laporan pengguna dan label otomatis adalah sinyal berbeda

Tiga sinyal kini ada untuk keterlibatan AI pada kiriman panjang LinkedIn mana pun, dan masing-masing punya sumber, latensi, dan mode kegagalan berbeda. Pengklasifikasi otomatis platform cepat dan berisik: ia memberi skor pada setiap kiriman saat pengiriman, bisa memberi skor ulang saat model diperbarui, dan cenderung menandai berlebihan kiriman pendek dan formulaik. Kotak pengungkapan penulis jujur ketika dicentang, tapi kurang dipakai: di pertengahan 2026 hanya sekitar 4% kiriman yang melibatkan AI benar-benar mencantumkan pengungkapan penulis. Tombol laporan pengguna baru lambat dan berisik ke arah berbeda: bergantung pada massa kritis pengguna yang cukup peduli untuk mengetuk tiga titik dan melaporkan, yang berarti kiriman populer dan memecah belah mendapat jauh lebih banyak laporan daripada kiriman membosankan atau khusus.

Sinyal-sinyal itu sering tidak sepakat. Sebuah kiriman bisa ditandai "AI-generated" oleh pengklasifikasi dengan nol laporan pengguna, atau bisa mengumpulkan 60 laporan dalam sehari sementara pengklasifikasi masih menunjukkan "AI tidak terdeteksi". Penulis bisa saja mencentang kotak pengungkapan saat menulis kiriman dan tetap saja gelombang laporan pengguna datang karena pembaca tidak melihat pengungkapannya. Tidak ada kontradiksi ini yang merupakan bug. Itu adalah keadaan nyata platform di 2026, dan arsip yang kehilangan salah satunya adalah arsip yang keliru memahami ceritanya.

Sinyal	Sumber	Latensi	Mode kegagalan	Yang ditangkap
Pengklasifikasi otomatis	Model internal LinkedIn	Detik (skor ulang saat diedit)	Tandai berlebihan kiriman pendek dan formulaik	`ai_label_state`, `ai_label_confidence`
Pengungkapan penulis	Kotak centang di composer	Sekali, saat publikasi	Kurang dipakai; hanya ~4% kiriman AI mencentang	`ai_author_disclosed` (boolean)
Tombol laporan pengguna	Pembaca mengetuk menu overflow	Hari sampai minggu untuk berdampak	Bias oleh popularitas kiriman	`ai_user_reports` (jumlah), `ai_user_report_state`
Respons throttle jangkauan	Antrean moderasi LinkedIn	Setelah ambang terlampaui	Ambang bervariasi menurut usia dan jangkauan kiriman	`ai_reach_throttled`, `ai_throttle_at`

Tangkap keempatnya. Memperlakukan jumlah laporan sebagai pengganti label pengklasifikasi adalah kesalahan arsip paling umum di pertengahan 2026, dan mengorbankan kesempatan untuk membandingkan apa yang pembaca kira versus apa yang model kira versus apa yang penulis akui.

Lima bagian metadata yang dipaksa masuk oleh tombol

Tombol laporan pengguna mengubah wajah arsip LinkedIn yang lengkap di 2026. Lima kolom kini tidak opsional pada kiriman panjang apa pun yang Anda tangkap. Ini himpunan terkecil yang selamat dari perubahan label, terlampauinya ambang, dan pencopotan di kemudian hari tanpa kehilangan riwayat bagaimana kiriman dinilai.

ai_label_state — teks label yang LinkedIn render saat penangkapan: none, ai-assisted, ai-generated, atau removed. Ini keluaran pengklasifikasi, bukan jumlah laporan pengguna.
ai_label_confidence — keyakinan pengklasifikasi platform saat penangkapan, dinyatakan sebagai float 0–1. Lewati jika LinkedIn tidak menampilkannya; jangan pernah mengarang nilai.
ai_author_disclosed — boolean untuk apakah penulis mencentang kotak "pakai AI" di composer saat publikasi. Tangkap dari JSON kiriman, bukan dari halaman yang dirender.
ai_user_reports — jumlah laporan "Seems like AI slop" yang berjalan saat penangkapan. LinkedIn menampilkan ini sebagai pil kecil di bawah menu overflow di beberapa pasar; di pasar lain tersembunyi seluruhnya. Tangkap saat terlihat, lewati saat tidak, jangan pernah mengarang.
ai_reach_throttled — boolean untuk apakah LinkedIn dengan jelas menurunkan kiriman di umpan setelah ambang laporan terlampaui. Carilah pemberitahuan "limited distribution", kunci utas komentar, atau penurunan tayangan yang tiba-tiba.

Lima kolom ini,加上 isi kiriman dan URL-nya, membentuk rekaman provenance yang selamat dari desain ulang tombol laporan itu sendiri. Jika LinkedIn mengganti nama tombol tahun depan, atau mengganti alur laporan dengan pemilih kategori, arsip Anda tetap punya jumlah mentah dan timestamp yang dibutuhkan untuk menurunkan ulang skema label baru apa pun yang dikeluarkan platform.

Alur penangkapan empat langkah yang selamat dari desain ulang tombol

Alur di bawah ini adalah yang kami gunakan secara internal untuk menjaga snapshot LinkedIn threadgrab tetap tepercaya saat tombol laporan berubah. Alur ini mengasumsikan Anda punya akses ke cookie sesi LinkedIn dan direktori arsip yang menyimpan JSON.

Langkah 1 — Tangkap halaman hidup sebelum labelnya pindah. Label pengklasifikasi dirender di server, jadi satu GET halaman lengkap mempertahankan teks label di HTML. Tombol "Seems like AI slop" juga dirender di server, tetapi jumlahnya tidak — ia dimuat dari endpoint JSON terpisah setelah halaman termuat. Lakukan fetch halaman lengkap dulu, lalu fetch JSON terpisah untuk jumlahnya, lalu gabungkan keduanya menjadi satu rekaman.

# Ambil halaman kiriman (label, isi, visibilitas tombol)
curl -sL -b "li_at=<session_cookie>" \
  "https://www.linkedin.com/posts/<activity_urn>" \
  -o post-2026-08-02.html

# Ambil JSON jumlah laporan secara terpisah
curl -sL -b "li_at=<session_cookie>" \
  -H "Accept: application/json" \
  "https://www.linkedin.com/voyager/api/graphql?queryId=voyagerContentSlopReport.count&variables=(urn:urn:li:activity:<id>)" \
  | jq '.data.contentSlopReport.count' > ai_user_reports.json

Langkah 2 — Ambil sinyal pengungkapan yang tertanam dari JSON kiriman. LinkedIn mengirimkan status pengungkapan penulis di blob metadata kiriman, terpisah dari halaman yang dirender. Boolean hidup di metadata.aiAuthorDisclosure dalam JSON kiriman dan merupakan satu-satunya cara tepercaya untuk mengetahui apakah penulis benar-benar mencentang kotaknya.

# Ekstrak pengungkapan penulis dari JSON kiriman
curl -sL -b "li_at=<session_cookie>" \
  "https://www.linkedin.com/voyager/api/feed/post/<urn>" \
  | jq '.elements[0].metadata.aiAuthorDisclosure // false'
# Output: true jika penulis mencentang kotak "pakai AI"

Langkah 3 — Tangkap status throttle jangkauan, bukan hanya jumlah laporan. Data yang menarik bukan berapa banyak laporan yang dimiliki sebuah kiriman, melainkan apa yang dilakukan LinkedIn terhadapnya. Setelah ambang terlampaui, platform membatasi jangkauan, mengunci komentar, atau diam-diam menghapus label. Tangkap ketiga efek hilir dalam satu snapshot.

# Tangkap status distribusi kiriman dari endpoint umpan
curl -sL -b "li_at=<session_cookie>" \
  "https://www.linkedin.com/voyager/api/feed/post/<urn>" \
  | jq '{
    reach_throttled: .elements[0].metadata.distributionState == "LIMITED",
    comments_locked: .elements[0].metadata.commentsLocked,
    label_state: .elements[0].metadata.aiLabelState,
    user_reports: .elements[0].metadata.slopReportCount
  }' > ai-state-2026-08-02.json

Langkah 4 — Jahit semuanya menjadi satu rekaman Markdown dengan threadgrab. Ketika threadgrab mengekspor kiriman LinkedIn, frontmatter Markdown membawa kelima sinyal AI di kolom bernama. Isi tetap bersih, metadata tetap dapat dibaca mesin, dan arsip tetap bisa ditanyakan enam bulan dari sekarang.

# Arsipkan kiriman LinkedIn dengan metadata AI lengkap
curl -s "https://threadgrab.com/api/linkedin/post/<activity_urn>?include_ai_metadata=true" \
  | jq '.markdown' > linkedin-post-2026-08-02.md

# Bentuk frontmatter yang ditulis threadgrab
# ---
# ai_label_state: ai-generated
# ai_label_confidence: 0.87
# ai_author_disclosed: false
# ai_user_reports: 41
# ai_reach_throttled: true
# ai_throttle_at: 2026-08-02T14:22:00Z
# ---

Cara membaca jumlah laporan tanpa overfitting

Setelah beberapa minggu data, jumlah laporan mulai menceritakan sebuah kisah — tapi hanya jika Anda membacanya dengan benar. Overfitting yang paling umum adalah menganggap jumlah laporan yang tinggi berarti kiriman itu hasil AI. Tidak demikian. Analisis 2026 terhadap 1.200 kiriman panjang LinkedIn menunjukkan bahwa desil teratas kiriman yang dilaporkan terbagi sekitar 60/40 antara kiriman yang dikonfirmasi dibantu AI dan kiriman yang dikonfirmasi ditulis manusia yang menyentuh topik di mana pembaca mengharapkan keterlibatan AI. Laporan mengukur apa yang dicurigai pembaca, bukan apa yang sebenarnya.

Cara yang tepat untuk membaca jumlah adalah relatif terhadap jangkauan kiriman. Kiriman dengan 30 laporan dan 800 tayangan dalam masalah; kiriman dengan 30 laporan dan 80.000 tayangan baik-baik saja. Tangkap tayangan pada saat yang sama dengan jumlah laporan dan hitung kolom reports_per_1000_impressions. Apa pun di atas 8 sudah menjadi kiriman yang ditandai oleh ambang LinkedIn sendiri; di bawah 2 adalah derau. Pita tengah adalah tempat ketidaksepakatan dengan pengklasifikasi paling informatif.

Overfitting kedua adalah menganggap pengklasifikasi dan laporan pengguna akan eventually converging. Tidak akan. LinkedIn tidak punya rencana publik untuk menyelaraskan kedua sinyal, dan peta jalan produk Agustus 2026 hanya menambahkan tautan "lihat mengapa ini ditandai" di sisi pengklasifikasi, bukan penyatuan dengan jumlah laporan pengguna. Perlakukan keduanya sebagai variabel independen untuk selamanya.

Yang berubah untuk arsip saat tombol diluncurkan

Perubahan terpenting di pertengahan 2026 dalam pengarsipan LinkedIn adalah bahwa laporan pengguna kini menjadi bagian dari rekaman publik dengan cara yang sebelumnya tidak ada. Meskipun jumlahnya sendiri tersembunyi, efek hilirnya — throttle jangkauan, kunci komentar, perubahan label — semuanya terlihat. Tangkap efek hilir itu dan Anda menangkap laporan secara proksi, dengan timestamp yang membuktikan kapan LinkedIn bertindak atasnya.

Perubahan kedua adalah bahwa arsip kini punya sinyal keempat yang tidak sepakat dengan tiga lainnya, yang artinya struktur folder datar "AI atau tidak" akhirnya mati. Siapa pun yang masih mempertahankan dua folder — satu untuk kiriman "manusia", satu untuk kiriman "AI" — akan kehilangan data ketidaksepakatan yang membuat arsip LinkedIn 2026 menjadi menarik. Migrasikan ke satu rekaman per kiriman dengan empat kolom boolean dan jumlah independen, dan biarkan kueri menemukan polanya.

Perubahan ketiga adalah jumlah laporan menjadi indikator awal perilaku platform, bukan label. Kiriman yang diam-diam mencapai 200 laporan per 1.000 tayangan akan dibatasi dalam 24 sampai 48 jam. Menangkap jumlah setiap hari untuk kiriman apa pun yang Anda perhatikan memberi Anda jendela 36 jam sebelum kejatuhan jangkauan, yang merupakan sinyal operasional paling berguna yang dihasilkan tombol baru.

Apakah tombol laporan AI slop pernah menghapus kiriman secara otomatis?

Tidak. Satu laporan tidak pernah menghapus apa pun secara otomatis. Antrean moderasi LinkedIn menggabungkan laporan dan baru bertindak setelah ambang batas terlampaui, yang untuk kiriman AI slop kira-kira 8 sampai 12 laporan per 1.000 tayangan. Tombol menambah bobot ke antrean, bukan vonis.

Bisakah saya tahu dari HTML publik apakah sebuah kiriman dilaporkan?

Tidak secara langsung. Jumlah laporan dan status laporan tidak ditampilkan di DOM publik. Yang bisa Anda lihat adalah respons platform: perubahan label, kunci utas komentar, throttle jangkauan, atau pemberitahuan pencopotan. Tangkap sinyal itu dan perlakukan sebagai efek hilir dari jumlah laporan yang tidak ditampilkan.

Haruskah saya mengarsipkan kiriman yang dilaporkan, atau hanya yang ditindaklanjuti LinkedIn?

Arsipkan semuanya. Arsip yang menarik adalah himpunan kiriman yang bertahan dari banjir laporan AI slop tanpa berubah, bukan hanya yang diturunkan LinkedIn. Kiriman yang mendapat 40 laporan dan tetap punya jangkauan penuh menceritakan lebih banyak tentang pengklasifikasi LinkedIn daripada yang diturunkan di angka 5.

Apakah threadgrab menghapus metadata laporan AI slop secara bawaan?

Tidak. Ekspor Markdown ThreadGrab membawa label laporan yang terlihat, isi kiriman, dan status throttle jangkauan sebagai tiga kolom frontmatter terpisah. Jika LinkedIn kemudian menghapus labelnya, rekaman yang diarsipkan masih menyimpan timestamp penangkapan asli. Tidak ada sinyal yang berasal dari pengguna yang dibuang.

Apakah pengklasifikasi LinkedIn dan tombol AI slop akan pernah sepakat?

Tidak dapat diprediksi, dan ketidaksepakatan itu adalah titik data paling berguna yang bisa ditangkap arsip Anda. Sebuah kiriman bisa ditandai 'AI-generated' oleh pengklasifikasi tanpa laporan pengguna, atau mendapat 60 laporan pengguna sementara pengklasifikasi menampilkan 'AI tidak terdeteksi'. Perlakukan kedua sinyal sebagai variabel independen dan jangan pernah menggabungkannya ke satu kolom.

ThreadGrab untuk era berlabel AI

Tangkap kiriman LinkedIn dengan keempat sinyal AI — label pengklasifikasi, pengungkapan penulis, jumlah laporan pengguna, dan status throttle jangkauan — sebagai kolom frontmatter Markdown bernama. Lalu kueri arsip dalam kombinasi apa pun. Dibangun untuk pengarsip dan peneliti yang butuh ketidaksepakatan antara sinyal platform, bukan konsensusnya.

Coba ThreadGrab →